面向直播视频流事件用户参与度与采纳度的多任务学习
人工智能
2021-06-22 v1 机器学习
摘要
如今，直播视频流事件已成为大型跨国企业观众沟通的主要方式。鉴于观众分布在全球各地，主要挑战在于如何安排最优的事件时间，以提升观众的参与度和采纳度。本文提出一种多任务深度强化学习模型，用于选择直播视频流事件的时间，旨在同时优化观众的参与度和采纳度。我们将观众的参与度和采纳度视为独立任务，并构建统一的损失函数以学习通用策略。此外，我们考虑到每个任务对智能体训练策略的贡献可能不同。因此，为确定各任务对智能体训练的贡献，我们针对每个任务的状态-动作转移设计了 Transformer 架构。我们在四个真实世界数据集上评估了所提出的模型，这些数据集由四家大型企业在 2019 年 1 月至 2021 年 3 月期间的直播视频流事件生成。实验表明，与多种 state-of-the-art (SOTA) 策略相比，所提模型具有有效性。为便于复现，我们的评估数据集与实现已公开于 https://github.com/stefanosantaris/merlin。
引用
@article{arxiv.2106.10305,
title = {Multi-Task Learning for User Engagement and Adoption in Live Video Streaming Events},
author = {Stefanos Antaris and Dimitrios Rafailidis and Romina Arriaza},
journal= {arXiv preprint arXiv:2106.10305},
year = {2021}
}